پهنه‌بندي حساسيت سيلاب با استفاده از روش‌هاي يادگيري ماشين بهبوديافته توسط الگوريتم ژنتيك

با توجه به بالا رفتن خطر وقوع سيلاب خصوصاً در سطح شهرها و به وجود آمدن خطرات جاني، مالي و محيط زيستي ناشي از افزايش آن، پهنه‌بندي مناطق سيل‌خيز از اهميت بالايي برخوردار است. بنابراين در اين مطالعه سعي شد مناطق حساس به سيلاب در دشت بيرجند با استفاده از معيارهاي مؤثر پهنه‌بندي شود. در اين راستا از روش‌هاي داده‌محور ماشين بردار پشتيبان (SVM) و جنگل تصادفي (RF) در تركيب با الگوريتم ژنتيك جهت پهنه‌بندي مناطق حساس به سيل استفاده شد. بنابراين براي پياده‌سازي و اعتبارسنجي مدل‌هاي ذكر شده، 42 موقعيت سيل‌خيز در منطقه‌ مورد مطالعه استخراج شد. علاوه بر اين، 19 معيار هيدروژئولوژيكي، توپوگرافي، زمين‌شناسي و محيطي مؤثر بر حساسيت سيلاب در منطقه‌ مورد مطالعه استخراج شدند تا براي پيش‌بيني نقشه‌ حساسيت سيل مورد استفاده قرارگيرند. سطح زير منحني (AUC) و انواع شاخص هاي آماري ديگر از جمله ضريب تشخيص (R^2) و ريشه‌ ميانگين خطاي مربعات (RMSE) براي ارزيابي عملكرد مدل‌ها استفاده شد. مقادير R^2، RMSE و AUC حاصل از روش SVM-GA به ترتيب 0/9032، 0/2751 و 0/931 و روش RF-GA به ترتيب 0/9823، 0/2321 و 0/914 به دست آمد كه نشان‌دهنده‌ سازگاري و دقت بالاي مدل RF نسبت به مدل SVM است. هم‌چنين نتايج نشان داد كه حساسيت سيل به‌دليل ارتفاع و زاويه‌ شيب كمتر در مناطق مركزي منطقه‌ مطالعاتي بيشتر از ساير مناطق است. نتايج اين مطالعه مي‌تواند به‌منظور مديريت مناطق آسيب‌پذير و كاهش خسارت‌هاي سيل مورد استفاده قرار گيرد.